[发明专利]一种自主水下机器人神经网络S面控制方法

权利要求书

1.一种自主水下机器人神经网络S面控制方法，针对AUV控制模型，以S面控制方法对AUV进行闭环控制，其特征在于，基于神经网络模型的预测S面控制器包含S面控制环节与预测结构两部分；在每个控制节拍内，S面控制环节为控制对象输出控制量，实现AUV的闭环运动控制；预测结构采用单独的参数设置节拍，在每个参数设置节拍内，预测结构求解有限时域内的最优控制参数，实现S面控制模块的控制参数设置；每个参数设置节拍对应S面控制器的N个控制节拍，即：在预测结构完成一次参数设置后，S面控制环节将采用这组参数完成N个控制节拍的控制量计算，直到下个参数调整节拍由预测结构重新设置控制参数；

在每个控制节拍内由S面控制环节输出控制量，控制器内部S面控制环节的控制参数k₁与k₂由基于神经网络的预测模型实现多步预测环节、反馈校正环节与滚动优化环节确定；具体过程如下：

步骤1、神经网络预测模型环节：

周期性记录AUV航行过程中的控制量与状态量，获得神经网络模型的训练样本；采用BP学习算法对Elman神经网络进行离线训练，实现对AUV动力学模型的辨识；

采用离线训练后的神经网络作为单步预测模型，并采用递推多步预测的方式，将其在时域内进行串联来建立多步预测模型，从而组成控制器的预测模型环节；

步骤2、反馈校正环节：

反馈校正环节根据上一时刻的模型预测输出与AUV实际输出之间的偏差，对当前参数设置节拍内的预测模型输出进行修正；具体过程包括以下步骤：

反馈校正环节根据上一时刻的模型预测输出与AUV实际输出之间的偏差，对当前参数设置节拍内的预测模型输出进行修正，具体如下式

y_p(t+d/t)＝y_m(t+d/t)+e_m(t)

e_m(t)＝y_out(t-1)-y_m(t-1/t-2)

y_m(t-1/t-2)＝f_m[y_out(t-2),u(t-1)]

式中，y_p(t+d/t)表示在t时刻对预测周期内t+d时刻模型预测值修正后的输出；e_m(t)为t时刻的修正量；y_m(t+d/t)为预测模型在t时刻对预测时域内t+d时刻AUV状态的预测值，即y_m(t-1/t-2)为预测模型在t-2时刻对预测时域内t-1时刻AUV状态的预测值，即y_out(t-2)为t-2时刻AUV实际输出的状态量；f_m[·]为神经网络递推模型的非线性函数；u(t-1)为t-1时刻的控制量；

步骤3、滚动优化环节：

滚动优化环节选取改进ITAE准则作为性能指标函数；在ITAE准则基础上，引入超调惩罚系数以提高对超调的敏感度，从而增强控制器对超调的抑制能力，其表达式如下

式中，α为超调惩罚函数，非超调状态下取α＝1，超调状态下则α＞1；误差量e_Φ(t)为y_p(t+d/t)与AUV运动控制目标量y_in的差值；

将控制参数k₁与k₂作为状态S，将Φ_p(S')-Φ_p(S)作为增量Δ，通过模拟退火算法进行状态更新，并最终确定最优的状态，从而确定控制参数k₁与k₂；

其中，Φ_p(S)表示状态S对应的Φ_p；S'为更新的状态。